CN105657201A - 一种基于决策树模型的呼叫处理方法和系统 - Google Patents

Abstract

本发明提供一种基于决策树模型的呼叫处理方法和系统，该方法包括：根据来电号码，获取用户的基本信息和关联信息；结合基本信息和关联信息作为输入以及匹配的第一推送信息作为输出构造决策树模型；将特定用户的基本信息和关联信息输入训练后的决策树模型，计算得到特定用户的第二推送信息；将第二推送信息推送至客服。通过本发明提供的基于决策树模型的呼叫处理方法和系统，能够使来电用户拨打客服热线时不需要用户再根据语音提示输入数字进线，并且打电话精准的匹配到客服组，人工客服在用户进线的同时就可以知道用户想咨询的问题，有效减少了用户的操作和听提示音操作的时间，有效提升顾客的用户满意度，提高了客服的工作效率。

Description

一种基于决策树模型的呼叫处理方法和系统

技术领域

本发明涉及通信技术领域，具体涉及一种基于决策树模型的呼叫处理方法和系统。

背景技术

目前，电商的客户热线都是利用IVR系统对其数量庞大的客户需求进行分流处理。现有的电话拨入电商的IVR系统，是顾客利用自助语音提示，引导顾客选择服务内容和输入服务所需的数据。对于电商而言，单纯的数字并不能准确表达顾客的真正需求。如果不能让顾客迅速及时找到解决问题的答案会直接影响顾客的用户体验。

然而，即使对于客服来说，不同岗位和职能的客服也在处理不同顾客提出的各种各样的问题。如果顾客通过简单的数字接入到人工客服，而人工客服在了解顾客需求时，发现顾客的需求不属于其能够解决的问题，因此人工客服会再把顾客电话转接至对应的技能组。由此可知，这种方式无疑与通过IVR系统作为企业的分流渠道和提升客户满意度的初衷背道而驰。

发明内容

为了解决上述现有技术方案所存在的问题，本发明提供了具有显著提升客服坐席的工作效率的基于决策树模型的呼叫处理方法和系统。

本发明的技术方案是提供一种基于决策树模型的呼叫处理方法，该方法包括：根据来电号码，获取用户的基本信息和关联信息；结合这些基本信息和关联信息作为输入以及匹配的推送信息作为输出构造决策树模型；将特定用户的基本信息和关联信息输入训练后的决策树模型，计算得到该特定用户的第二推送信息；根据该推送信息推送至客服。

可选地，该基本信息包括：该用户的来电号码、与该来电号码绑定的账户信息及订单信息；

该关联信息包括：在电商网站中的当前用户行为。

可选地，该推送信息包括：该用户可能涉及的问题及该问题的解决方案。

可选地，构造该决策树模型包括：

根据大量用户的基本信息和关联信息建立训练集，并利用C4.5算法进行训练，生成训练后的决策树模型。

可选地，构造该决策树模型还包括：

在没有大量数据时，利用业务逻辑设置向量权重，使用业务逻辑控制匹配C4.5算法。

可选地，该方法还包括：

根据客服对该推送信息进行修正，并将修正后的该推送信息返回。

本发明还提供一种基于决策树模型的呼叫处理系统，该系统包括：

数据中心，用于根据来电号码，获取用户的基本信息和关联信息；算法中心，用于结合这些基本信息和关联信息作为输入以及匹配的推送信息作为输出构造决策树模型；坐席分配中心，用于根据该推送信息推送至客服。

可选地，该基本信息包括：该用户的来电号码、与该来电号码绑定的账户信息及订单信息；该关联信息包括：在电商网站中的当前用户行为。

可选地，该推送信息包括：该用户可能涉及的问题及该问题的解决方案。

可选地，该算法中心用于构造该决策树模型包括：

根据大量用户的基本信息和/或关联信息建立训练集，并对该决策树模型进行训练，生成训练后的决策树模型。

可选地，该算法中心用于构造该决策树模型还包括：

在没有大量数据时，利用业务逻辑设置向量权重，使用业务逻辑控制匹配C4.5算法。

可选地，该系统还包括：坐席中心203，用于根据客服对该推送信息进行修正，并将修正后的该推送信息返回至该数据中心。

通过本发明提供的基于决策树模型的呼叫处理方法和系统，能够使来电用户拨打客服热线时不需要用户再根据语音提示输入数字进线，并且打电话精准的匹配到客服组，人工客服在用户进线的同时就可以知道用户想咨询的问题，有效减少了用户的操作和听提示音操作的时间，有效提升顾客的用户满意度，提高了客服的工作效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明提供的一种基于决策树模型的呼叫处理方法的流程图；

图2为本发明还提供的一种基于决策树模型的呼叫处理系统结构图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

如图1所示，为本发明提供的一种基于决策树模型的呼叫处理方法的流程图，该方法包括：

步骤S101：根据来电号码，获取用户的基本信息和关联信息；

步骤S102：结合这些基本信息和关联信息作为输入以及匹配的推送信息作为输出构造决策树模型；

步骤S103：将特定用户的基本信息和关联信息输入训练后的决策树模型，计算得到该特定用户的第二推送信息；

步骤S104：根据该推送信息推送至客服。

可选地，该基本信息包括：该用户的来电号码、与该来电号码绑定的账户信息及订单信息；

该关联信息包括：在电商网站中的当前用户行为。

可选地，该推送信息包括：该用户可能涉及的问题及该问题的解决方案。

可选地，构造该决策树模型包括：

根据大量用户的基本信息和关联信息建立训练集，并利用C4.5算法进行训练，生成训练后的决策树模型。

可选地，构造该决策树模型还包括：

在没有大量数据时，利用业务逻辑设置向量权重，使用业务逻辑控制匹配C4.5算法。

可选地，该方法还包括：

根据客服对该推送信息进行修正，并将修正后的该推送信息返回。

下面结合一个具体实施例对本发明进行具体描述，然而值得注意的是该具体实施例仅是为了更好地描述本发明，并不构成对本发明的不当限定。

根据来电号码，获取用户信息和问题信息，从两个维度去获取

步骤S101：根据来电号码，获取用户的基本信息和关联信息。

通过AJAX请求以获取用户的基本信息和关联信息。具体地，根据来电号码，从后台数据库中，查询是否存在与该来电号码绑定的用户信息。如果该来电号码绑定了某个用户，那么就获取与该用户有关的基本信息。例如，根据该用户信息查询订单状态，并且根据后台数据库中的来电记录，获取该用户的历史咨询问题；如果该来电号码是非绑定用户，那么就获取该来电号码的历史咨询问题和留下的账户信息等与来电号码有关的收件人信息。另外，根据来电号码也可以获取与该来电号码绑定用户的关联信息。即，通过来电号码获取与该绑定用户的行为信息。具体地，从后台数据库中，获取该来电号码的绑定用户的账户信息，其中，通过在电商的网页中设置埋点，并且结合一段JS文件，这样就可以对网页中的内容进行分析，最终确认该用户当前是否正在浏览该电商网站或者获取最近特定时间段内曾经浏览过的页面内容。通过已获取的用户的基本信息和关联信息中的关键字获得与这些关键字有关的问题信息。然后，将该步骤获取的所有信息，以用户的基本信息和关联信息以及问题信息作为主要关键字，以进行下一步操作。由于本领域的普通技术人员能够轻易实现，因此在此不详细描述。

另外，此步骤的作用在于：通过这种方式将来能够根据这些信息以便于预测该用户可能咨询的具体问题。例如，如果已获知与来电号码相关的用户当前正在浏览与商品有关的网页，提取与商品有关的属性内容(具体的属性内容是根据商品和服务的属性进行分类定义)，由此预测这个用户可能咨询关于商品相关的问题。

步骤S102：结合基本信息和关联信息作为输入以及匹配的第一推送信息作为输出构造决策树模型。

在本发明一实施例中，输入的条件信息(样本集)包括：基本信息和关联信息：其中，基本信息包括：手机号、用户账户、用户姓名；关联信息包括：用户当前浏览页面的品类、该用户在一段时间内(5分钟之内)停留最长的页面、该用户最近已完成或正在购买的订单；输入的结果信息是用户咨询的问题。

用户当前浏览页面的品类、用户5分钟之内停留最长的页面这两种信息均涉及订单信息、商品信息以及售后信息，而用户最近购买的订单这类信息则涉及订单信息、服务单信息以及商品信息。

此外，订单信息具体包括：订单号(用于推送给坐席)、订单分类(用于匹配坐席技能和分配坐席)、订单中的商品品类(用于匹配坐席技能和分配坐席)；

商品信息具体包括：商品ID(用于推送给坐席)、商品品类(用于匹配坐席技能和分配坐席)；

售后单信息具体包括：售后单号(用于推送给坐席)、售后分类(用于用户匹配坐席和分配技能)、售后单状态(用于用户匹配坐席)售后状态指的售后单进行阶段(例如，审批中、取消等)。

在本发明一实施例中，输出的匹配的输出信息包括：

用户的基本信息：用户账户，用户手机号，用户姓名；

用户可能咨询的问题：订单类问题(订单号)，商品类问题(商品号)，售后类问题(售后单号)；

分配坐席信息：订单类、商品类和售后类。

在构造决策树模型的过程中，决策树构建分类过程如下：(1)将上述的特征整理成数据样本，上述特征即为属性。设数量为s，并设S是s个数据样本的集合，假定类标号属性具有m个不同值，定义m个不同类C_i(i＝1,2,…,m)，s_i是类C_i中的样本数。

对一个给定的样本分类所需要的期望信息如下：

$I(s_1,s_2,...,s_m)=-\underset{i=1}{\overset{m}{\Σ}}{p}_i{\log }_2{p}_i$

其中p_i是任意样本属于C_i的概率，并用估计。

(2)设属性A具有v个不同值{a₁,a₂,…,a_v}，可以用属性A将S划分为v个子集{S₁,S₂,…,S_v}。设s_ij是子集S_j中类C_i的样本数。根据由A划分成子集的熵或期望信息如下：

$E\left(A\right)=\underset{j=1}{\overset{v}{\Σ}}\frac{s_{1j}+s_{2j}+...+s_{mj}}{s}I(s_{1j},s_{2j},...,s_{mj})$

(3)在A分枝将获得的信息增益为

Gain(S,A)＝I(s₁,s₂,…,s_m)-E(A)

(4)用信息增益率来选择属性，E(A)越小信息率增益越大，表示权重越大，在模型里面会优先判断这个属性。以信息率增益最大的作为根结点，以迭代选取信息增益最大的属性作为根节点、及其子节点如此循环，直至构成每个树叶的节点为判断结果。信息增益率定义为：

$GainRatio(S,A)=\frac{Gain(S,A)}{SplitInfo(S,A)}$

分裂信息率SplitInfo(S,A)代表了按照属性A分裂样本集S的广度和均匀性。分裂信息定义如下：

$SplitInfo(S,A)=-\underset{i=1}{\overset{c}{\Σ}}\frac{\left|S_i\right|}{\left|S\right|}{\log }_2\frac{\left|S_i\right|}{\left|S\right|}$

其中，S₁到S_c是c个不同值的属性A分割S而形成的c个样本子集，根据利用样本集对已生成的决策树进行分裂信息率越高就意味着需校正和或者剪枝，重复此过程，以最终构造最优的决策树模型。

对于构造前期的决策树模型，在本发明还提供一种过度方案。因为机器学习算法，最终依托是数据量，数据量越大最终的结果会更精准。在没有大的数据量的时候，可以根据业务逻辑设置哪种向量的权重更高，以使业务逻辑控制匹配算法，而这种方式会比大数据量的决策树模型更精准一些。

步骤S103：在构建完最优的决策树模型之后，将特定用户的基本信息和关联信息输入训练后的决策树模型，预先已经将用户信息和解决该问题的解决方案已经存储在数据库中，最后通过决策树模型计算得到该特定用户的第二推送信息，该第二推送信息包括用户的基本信息和关联信息、用户可能咨询的问题以及匹配出来这类问题的解决方案。

步骤S104：将该第二推送信息推送至与客户需求对应的客服，该第二推送信息包括：账户信息、问题信息以及与问题有关的解决办法，以便进行处理。

最后，坐席上的客服在与客户沟通的时候，可以及时判断推送信息是否准确，并对推送信息和客户实际咨询的问题进行对比和反馈，具体来说，如果推送信息错误，客服在处理客服问题的时候，会生成一列新的向量和对应的信息，将之前和错误的向量都推送至训练集中，通过不断更新的训练集对决策树模型不断进行训练，以便于对决策树模型进行改进和完善，最终提高将来推送信息的准确性。

如图2所示，为本发明还提供的一种基于决策树模型的呼叫处理系统结构图，该系统2包括：

数据中心201，用于根据来电号码，获取用户的基本信息和关联信息；算法中心202，用于结合这些基本信息和关联信息作为输入以及匹配的推送信息作为输出构造决策树模型；坐席分配中心203，用于根据该推送信息推送至客服。

可选地，该基本信息包括：该用户的来电号码、与该来电号码绑定的账户信息及订单信息；该关联信息包括：在电商网站中的当前用户行为。

可选地，该推送信息包括：该用户可能涉及的问题及该问题的解决方案。

可选地，该算法中心202用于构造该决策树模型包括：

根据大量用户的基本信息和/或关联信息建立训练集，并对该决策树模型进行训练，生成训练后的决策树模型。

可选地，该算法中心202用于构造该决策树模型还包括：

在没有大量数据时，利用业务逻辑设置向量权重，使用业务逻辑控制匹配C4.5算法。

可选地，该系统2还包括：坐席中心203，用于根据客服对该推送信息进行修正，并将修正后的该推送信息返回至该数据中心201。

由于本发明提供的基于决策树模型的呼叫处理系统是上述方法对应的装置，故在此不再赘述。

通过本发明提供的基于决策树模型的呼叫处理方法和系统，能够使来电用户拨打客服热线时不需要用户再根据语音提示输入数字进线并且系统自动智能的预测出用户期望咨询的问题，同时提供问题的解决方案，并且精准的转到对应可以处理相应问题的客服组，有效减少了用户的操作和听提示音操作的时间，提升了用户满意度，提高了客服的工作效率。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种基于决策树模型的呼叫处理方法，其特征在于，所述方法包括：

根据来电号码，获取用户的基本信息和关联信息；

结合所述基本信息和关联信息作为输入以及匹配的第一推送信息作为输出构造决策树模型；

将特定用户的基本信息和关联信息输入训练后的决策树模型，计算得到所述特定用户的第二推送信息；

将所述第二推送信息推送至客服。

2.根据权利要求1所述的方法，其特征在于，所述基本信息包括：所述用户的来电号码、与所述来电号码绑定的账户信息及订单信息；

所述关联信息包括：在电商网站中的当前用户行为。

3.根据权利要求1所述的方法，其特征在于，所述推送信息包括：

所述用户可能涉及的问题及所述问题的解决方案。

4.根据权利要求1所述的方法，其特征在于，构造所述决策树模型包括：

根据大量所述用户的基本信息和关联信息建立训练集，并利用C4.5算法进行训练，生成训练后的决策树模型。

5.根据权利要求4所述的方法，其特征在于，构造所述决策树模型还包括：

在没有大量数据时，利用业务逻辑设置向量权重，使用业务逻辑控制匹配C4.5算法。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据客服对所述推送信息进行修正，并将修正后的所述推送信息返回。

7.一种基于决策树模型的呼叫处理系统，其特征在于，所述系统包括：

数据中心，用于根据来电号码，获取用户的基本信息和关联信息；

算法中心，用于结合所述基本信息和关联信息作为输入以及匹配的推送信息作为输出构造决策树模型；

坐席分配中心，用于根据所述推送信息推送至客服。

8.根据权利要求7所述的系统，其特征在于，所述基本信息包括：所述用户的来电号码、与所述来电号码绑定的账户信息及订单信息；

所述关联信息包括：在电商网站中的当前用户行为。

9.根据权利要求7所述的系统，其特征在于，所述推送信息包括：

所述用户可能涉及的问题及所述问题的解决方案。

10.根据权利要求7所述的系统，其特征在于，所述算法中心用于构造所述决策树模型包括：

根据大量用户的基本信息和/或关联信息建立训练集，并对所述决策树模型进行训练，生成训练后的决策树模型。

11.根据权利要求7所述的系统，其特征在于，所述算法中心用于构造所述决策树模型还包括：

在没有大量数据时，利用业务逻辑设置向量权重，使用业务逻辑控制匹配C4.5算法。

12.根据权利要求7所述的系统，其特征在于，所述系统还包括：

坐席中心，用于根据客服对所述推送信息进行修正，并将修正后的所述推送信息返回至所述数据中心。